自组织映射神经网络分类器

本文利用改进的自组织映射人工神经网络的方法完成分类问题。该方法由给定的模式样本训练网络,分类的结果由网络的输出直接给出,避免了估计概率密度函数时引入的误差。实验的结果说明了该方法的有效性。     

基于粗糙集-神经网络编队协同空战决策系统

为了提高空战决策的实时性和准确度,将粗糙集理论和神经网络引入到编队协同空战战术决策研究中,提出了应用SOM网络-粗糙集-BP网络集成进行编队协同空战战术决策的方案:应用SOM网络离散化决策系统输入数据的连续属性值;利用粗糙集数据分析方法,从数据中提取出规则将输入映射到输出的子空间上;在这个子空间上用BP网络进行逼近.2:4编队空战实例仿真结果验证该方案的可行性,在数据充分的条件下,该方案可以推广应用于其它空战决策系统.     

改进的混合蛙跳算法在雷达网部署中的应用

针对雷达组网优化部署的原则,建立了区域雷达组网优化部署的数学模型,提出了一种基于改进的蛙跳算法的雷达组网优化部署方法。在阐述了改进方法的基础上,与先前方法进行了对比分析。最后,通过计算机仿真试验进行了验证,结果表明:改进的混合蛙跳算法能够快速得到多种优化部署方案,且操作性强,能较好地应用于雷达组网优化。     

作战任务清单与作战能力需求清单的映射机理

作战任务清单是作战能力需求清单的输入条件,作战任务清单与作战能力需求清单的映射机理研究必不可少,映射机理也是实现清单应用价值的重要环节。按原则、方法和模型的总体思路,提出作战任务清单与作战能力需求清单的4条映射原则;以此为基础,研究区分6种映射关系,并简单介绍现有矩阵映射法的原理,分析其存在的不足,提出预置属性排列映射法,实现由作战任务清单向作战能力需求清单映射;分析作战能力需求指标的4种量化类型,构建从作战任务向作战能力需求指标量化的4种模型,从而进一步促进清单的标准化描述和自动生成。     

降低OFDM信号峰值平均功率比的多信号表示方法及其性能比较

正交频分复用(OFDM)技术的缺点之一是其峰值平均功率比(Peak-to-Average Power Ratio,PAPR)较高。为了降低OFDM信号的PAPR,本文对选择性映射(SLM)、部分传输序列(PTS)和交织三种多信号表示方法进行了比较分析,给出了各自的仿真结果,并且将交织与SLM以及PTS方法结合起来,进一步降低了系统的PAPR。     

基于LWT的纹理特征提取方法

介绍了一种利用局部沃尔什变换(LWT)提取图像纹理特征的新方法,给出LWT的定义,并分析了LWT系数的统计特性及其各阶矩的纹理鉴别性能。结果表明:自然纹理图像的LWT系数一般不服从正态分布,其偶数阶矩具有较好的纹理鉴别性能,奇数阶矩的纹理鉴别性能较差,因此选取LWT系数的偶数阶(2、4、6阶)矩作为纹理特征。与Haralick[1]、Wang和He[2,3],以及HuiYu[5]等人提出的纹理特征相比,基于LWT的纹理特征具有更好的鉴别性能,并且计算简单。     

基于Hibernate实现持久层的创建

H ibernate是一个对象持久化工具,它通过其强大的O/R映射功能将Java对象同存放于关系数据库中的数据进行映射,避免了开发人员使用大量的SQL语句通过JDBC的方式对数据库进行操作,可以有效地提高开发的效率。在讨论对象/映射关系、持久层的基础上,介绍了H ibernate,并探讨了H ibernate的应用模型,给出了在W eb应用开发中配置H ibernate环境的方法并使用它建立了一个应用,最后分析了H ibernate的不足。     

MPEG-4视频编码器纹理填充模块的VLSI结构设计

研究了MPEG-4纹理填充算法的特点,设计了纹理填充硬件实现的VLSI结构.在Xilinx ISE6.1i集成开发环境下,采用VHDL对该结构进行了描述,并使用了电子设计自动化(EDA)工具进行了模拟和验证.仿真和综合结果表明,所设计的VLSI处理器,逻辑功能完全正确,而且可以满足MPEG-4 Core Profiles & Level2的实时编码要求,可用于MPEG-4的VLSI实现.     

复杂体系的结构分析和建模研究

根据复杂体系的概念及其所呈现出的多种特性,利用复杂体系的使命分解和复杂体系的元素组成对复杂体系进行综合的结构分析,描述了目标分解、功能分解和行为分解的复杂体系使命目标三阶段分解过程以及系统单元、复合元和体系外部环境的复杂体系三元素结构框架。在此基础上,提出了采用一种“两层四级”的设计思想对复杂体系进行有效的结构建模设计,并针对复杂体系内部的相互位置层次及其功能关联定义了度量实体、层级映射、系统关联性和软构层等相关概念,清晰地阐释了复杂体系结构分析和建模时体系层次映射的实质,从而为复杂体系的效能评估以及体系改进和优化提供一定的理论指导。     

结构主导目标检测中的纹理随机化

已有基于卷积神经网络的目标检测算法倾向于提取目标纹理特征,而非结构特征;因此,已有方法不能实现变纹理目标的可靠检测。针对此问题,提出基于纹理随机化的结构主导目标检测方法,采用仿真纹理随机化方法减弱网络模型对纹理特征的拟合,实现基于结构特征的变纹理目标可靠检测。利用目标的三维模型,借助Blender渲染引擎,完成纹理随机化仿真训练数据集的生成。仿真及真实图像实验测试结果表明:该方法能够实现基于目标结构特征的变纹理目标可靠检测。